Analysis of Class Composition Impact on Deep Learning-Based Cloud Detection for High-Resolution Satellite Imagery

다양한 고해상도 원격탐사 위성센서의 발사로 인하여 고해상도 위성영상의 사용이 증대되고 있으며, 이에 따라 고해상도 위성영상의 전처리 및 품질관리에 대한 중요성이 높아지고 있다. 고품질의 고해상도 위성영상을 효과적으로 사용하기 위해서는 위성영상에 존재하는 구름영역에 대한 정보가 필요하며, 이를 바탕으로 사용자가 해당 영상의 활용가능성을 객관적으로 파악할 수 있어야 한다. 이로 인하여, 고해상도 위성영상의 구름탐지에 대한 중요성이 증대되고 있다. 본 연구에서는 최근 각광받고 있는 의미론적 분할을 위한 대표적인 딥러닝 모델인 Mamba-UNet을 이용하여 고해상도 위성영상의 구름을 효과적으로 탐지할 수 있는지를 분석하였다. 특히, 딥러닝 모델의 학습에 있어서, 구름탐지를 위한 클래스 구성의 영향성을 분석하여, 구름탐지를 위한 최적의 클래스 구성 방안을 제시하고자 하였다. 이를 위하여, AIHub의 오픈 데이터셋을 이용하여 실험을 수행하였으며, 청천, 구름, 얇은 구름, 구름 그림자의 4개 클래스를 재구성하여 개별적인 딥러닝 모델의 학습을 수행하고, 이에 따른 성능을 평가하였다. 실험결과, 청천과 구름의 2개 클래스로 딥러닝 모델의 학습을 수행하는 것이 가장 안정적인 성능을 나타내었다.